En Seconde, tu as appris à utiliser l'IA de manière responsable. En Première, tu as étudié son fonctionnement et développé un regard critique sur ses résultats. Cette année, tu passes à l'étape technique : intégrer un service d'IA existant dans un projet que tu conçois toi-même.
Une API (Application Programming Interface, « interface de programmation ») permet d'utiliser un service d'IA déjà entraîné — traduction automatique, reconnaissance d'image, synthèse vocale — sans devoir créer, entraîner ni héberger son propre modèle. Ton programme envoie une requête au serveur qui héberge le modèle, et reçoit une réponse.
Concrètement, appeler une API d'IA revient toujours au même schéma : ton programme envoie des données (un texte, une image) à une adresse web précise, accompagnées d'une clé d'API qui identifie et authentifie ton compte, et le service renvoie un résultat structuré, le plus souvent au format JSON.
Principe d'appel à une API de traduction : on envoie un texte source et la langue cible, on reçoit en retour le texte traduit. Le code ci-dessous illustre ce principe en Python, avec la bibliothèque requests.
Le même principe s'applique à une API de reconnaissance d'image : on envoie un fichier image, le service renvoie une liste d'étiquettes (« chat », « voiture », « visage détecté ») accompagnées d'un score de confiance pour chacune.
Un chatbot n'a pas besoin d'intelligence artificielle sophistiquée pour fonctionner. Un chatbot par règles repose sur une logique simple : on cherche des mots-clés dans le message de l'utilisateur, et on répond selon des conditions if / elif, à l'intérieur d'une boucle while qui maintient la conversation active.
Ce type de chatbot ne nécessite aucune API externe : toute la logique tient dans le code, ce qui en fait un excellent point de départ pour comprendre le principe avant d'ajouter, plus tard, un vrai moteur d'IA derrière l'interface.
Ce squelette se fait facilement enrichir : ajouter des règles, gérer des synonymes, ou brancher, à la place du dictionnaire reponses, un appel à une API de langage pour des réponses plus naturelles.
Un réseau de neurones artificiels peut se comprendre par analogie : ce sont des couches successives de « neurones » qui transforment une donnée d'entrée en une donnée de sortie. Chaque neurone applique un calcul simple pondéré ; ce sont ces poids qui sont progressivement ajustés pendant la phase d'entraînement, en comparant la sortie du réseau à la réponse attendue.
Une couche d'entrée reçoit les données brutes, une ou plusieurs couches cachées effectuent des transformations successives, et une couche de sortie produit le résultat final (une classe, une probabilité). Plus il y a de couches et de neurones, plus le réseau peut représenter des relations complexes — au prix d'un entraînement plus coûteux en données et en calcul.
Reconnaissance d'un chiffre manuscrit — l'illustration classique du fonctionnement d'un réseau de neurones. L'image d'un chiffre (par exemple 28×28 pixels en niveaux de gris) est transformée en une liste de valeurs numériques : c'est la couche d'entrée. Le réseau traite ces valeurs à travers ses couches cachées, puis la couche de sortie produit dix scores, un pour chaque chiffre possible (0 à 9). Le chiffre associé au score le plus élevé est la prédiction du modèle. Pendant l'entraînement, on montre au réseau des milliers d'images de chiffres déjà étiquetées, et l'on ajuste les poids à chaque erreur pour que la prédiction se rapproche de l'étiquette réelle.
Ce même principe — entrée, transformation par couches pondérées, sortie, ajustement des poids par comparaison à la réalité — est à la base de la plupart des systèmes d'IA modernes, qu'il s'agisse de reconnaissance vocale, de traduction ou de génération de texte.
La précision (ou accuracy) mesure, en bref, la proportion de prédictions correctes faites par un modèle sur un ensemble de données donné. Une accuracy de 95 % signifie que le modèle a répondu correctement dans 95 % des cas testés — mais ce chiffre seul ne suffit jamais à juger la fiabilité réelle d'un modèle.
Avant de faire confiance à un modèle d'IA, il faut se poser plusieurs questions :
Un modèle qui obtient un excellent score sur les données qui ont servi à l'entraîner peut se révéler peu fiable en situation réelle : c'est le phénomène de sur-apprentissage (le modèle a « appris par cœur » plutôt que compris). D'où l'importance de toujours évaluer un modèle sur un jeu de données de test, séparé et jamais montré pendant l'entraînement.
L'IA ne se limite pas à une prouesse technique : son déploiement massif transforme la société, l'économie et pèse sur l'environnement. Voici les trois dimensions à connaître.
| Dimension | Effets observés |
|---|---|
| Sociétal | Transformation profonde de nombreux métiers, apparition de nouvelles compétences à acquérir, questions éthiques sur la prise de décision automatisée (recrutement, justice, santé) et sur la protection de la vie privée. |
| Économique | Ouverture de nouveaux marchés (assistants, outils de création, automatisation industrielle), gains de productivité importants, mais aussi automatisation de tâches auparavant réalisées par des humains, avec des effets sur l'emploi. |
| Environnemental | Consommation énergétique considérable des centres de données utilisés pour entraîner et faire fonctionner les modèles d'IA (calcul intensif, refroidissement des serveurs), avec une empreinte carbone qui s'accroît à mesure que les modèles grossissent. |
Ces trois impacts sont liés : un modèle plus performant nécessite souvent plus de données, plus de puissance de calcul et donc plus d'énergie — un compromis que les acteurs du secteur doivent aujourd'hui prendre en compte dans leurs choix techniques.
Le développement de l'IA fait apparaître de nouveaux métiers, complémentaires aux métiers classiques de l'informatique.
| Métier | Description |
|---|---|
| Data scientist | Analyse de grands volumes de données pour en extraire des tendances utiles et préparer les jeux de données qui serviront à entraîner des modèles d'IA. |
| Ingénieur IA | Conception, entraînement, optimisation et déploiement des modèles d'intelligence artificielle dans des applications concrètes. |
| Prompt engineer | Rédaction et optimisation des instructions (prompts) données à un modèle d'IA générative pour obtenir des réponses pertinentes et fiables. |
Ces métiers illustrent qu'utiliser l'IA ne se limite pas à la coder : elle demande aussi des compétences d'analyse, de communication et de rigueur méthodologique.
La meilleure façon de consolider ces connaissances est de concevoir un projet concret, même modeste, qui intègre une fonctionnalité d'IA.
Un mini-projet bien conçu n'a pas besoin d'être techniquement parfait : il doit surtout démontrer que tu comprends la chaîne complète — du besoin identifié à la solution technique mise en œuvre, en passant par une réflexion sur sa fiabilité et ses limites.
if/elif sur des mots-clés dans une boucle while.Voici un extrait d'un chatbot par règles. Complète-le pour qu'il réponde à un message contenant le mot "merci" par une phrase de politesse de ton choix.
"merci".else final.Il suffit d'ajouter un bloc elif supplémentaire, avant le else, qui teste la présence du mot "merci" dans le message reçu :
L'ordre des elif n'a pas d'importance tant que le mot-clé testé est différent d'un bloc à l'autre ; seul le else doit rester en dernière position, comme réponse par défaut.
On donne à un réseau de neurones des photographies d'animaux (chat ou chien) déjà étiquetées, afin qu'il apprenne à distinguer les deux. Une fois entraîné, on lui soumet une nouvelle photo, jamais vue auparavant, et il doit prédire s'il s'agit d'un chat ou d'un chien.
Avec tes propres mots, explique en quelques phrases le principe de fonctionnement de ce réseau de neurones, en utilisant les termes « couche d'entrée », « poids » et « entraînement ».
Éléments attendus dans la réponse (formulation libre) :
Scénario : une entreprise a entraîné un modèle de reconnaissance faciale uniquement à partir de photos de visages pris en pleine lumière, de face, dans un même pays. Le modèle affiche une accuracy de 98 % sur son jeu de test. L'entreprise le déploie ensuite dans un lieu public, avec des caméras filmant sous des angles variés et un éclairage changeant.
Propose le plan complet d'un mini-projet intégrant une fonctionnalité d'intelligence artificielle, destiné à être utilisé au lycée. Tu peux choisir, par exemple, un chatbot d'aide aux devoirs ou un assistant de tri de déchets par reconnaissance d'image, ou un autre projet de ton choix.
Ton plan doit répondre aux trois éléments attendus vus dans le cours : le besoin concret, la fonctionnalité IA utilisée, et le fonctionnement attendu (données en entrée, traitement, sortie, limites connues).
Projet : assistant de tri de déchets par image, à destination des élèves du lycée.
Un plan différent (chatbot d'aide aux devoirs, par exemple) est tout aussi valable s'il détaille clairement ces trois mêmes éléments.
10 questions · Correction immédiate